PROPOSAL PROGRAM KREATIVITAS MAHASISWA

JUDUL PROGRAM

Deteksi Wajah dengan Principle Component Analysis (PCA) dan K-Nearest

Neighbor

BIDANG KEGIATAN:
PKM – ARTIKEL ILMIAH

Diusulkan Oleh:
Erina Seviyanti Dewi; 17030214021; 2017
Novi Hanifatul Ula; 17030214041; 2017

UNIVERSITAS NEGERI SURABAYA

SURABAYA
2019

i
 PENGESAHAN PKM ARTIKEL ILMIAH

1. Judul Kegiatan :Deteksi Wajah dengan Principle

2. Bidang Kegiatan
3. Ketua Pelaksana Kegiatan
a. Nama Lengkap
b. NIM
c. Jurusan
d. Institut
e. Alamat Rumah dan No. HP
f. Email
4. Anggota Pelaksana Kegiatan
5. Dosen Pendamping
a. Nama Lengkap dan Gelar
b. NIDN/NIDK
c. Alamat Rumah dan No. Telp. : 08563113325
Menyetujui,
Ketua Program Studi Matematika,
Component Analysis (PCA) dan K-Nearest
Neighbor
: PKM-AI
: Erina Seviyanti Dewi
: 17030214021
: Matematika
: Universitas Negeri Surabaya
: RT 7,RW 3 Dusun Bodo, Desa Pulorejo,
Kecamatan Ngoro, Kabupaten Jombang /
081249223347
: erina.17030214021@mhs.unesa.ac.id
: 1 Orang
: Dr. Elly Matul Imah, M. Kom.
: 0005048201
Surabaya, 25 Desember 2019
Ketua Pelaksana

(Dr. Raden Sulaiman, M.Si.) (Erina Seviyanti Dewi)

NIK. 196703261994121001 NIM. 17030214021

Wakil Rektor Bidang kemahasiswaan Dosen Pendamping

(Dr. Agus Hariyanto, M.Kes.) (Dr. Elly Matul Imah, M.Kom.)

NIP. 1967081619992031002 NIDN. 0005048201

ii
 1

Deteksi Wajah dengan Principle Component Analysis (PCA) dan K-Nearest

Neighbor
Erina Seviyanti Dewi1*, Novi Hanifatul Ula2
12
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Negeri Surabaya, Jl. Ketintang Wiyata No.48, Ketintang, Kec.
Gayungan, Kota Surabaya, Jawa Timur 60231
*
erina.17030214021@mhs.unesa.ac.id

ABSTRAK
Pengenalan wajah merupakan sistem biometrika yang banyak digunakan untuk
mengenali individu, karena wajah merupakan salah satu ciri biometrika yang
paling umum digunakan untuk mengenali seseorang. Salah satu contoh
penggunaan pengenalan wajah yaitu digunakan pada proses verifikasi data serta
akses kontrol. Pada penelitian ini peneliti menggunakan metode Principal
Component Analysis (PCA) dan K-Nearest Neighbor untuk dapat
mengidentifikasi wajah melalui inputan data uji yang kemudian diekstrak
sehingga menghasilkan pola atau ciri tertentu yang nantinya akan dicari dan
dicocokan dalam data latih. Dalam penelitian ini, terdapat 5 jenis K, yaitu 1, 3, 5,
7, dan 9. Serta kompresi PCA 10% hingga 100% dengan interval 10%. Dari
beberapa kompresi PCA dan pemilihan k tetangga terdekat pada K-Nearest
Neighbor, nilai akurasi tertinggi adalah 70.83% dengan kompresi 20% hingga
100% dan k=1. Penggunaan 20% vektor eigen telah meng-capture 99% data.
Sedangkan rata-rata waktu komputasi yang diperlukan dalam pengenalan wajah
dengan PCA dan KNN adalah 0.123 detik.
Kata Kunci: Pengenalan Wajah, K- Nearest Neighbor, Principal Component
Analysis (PCA).

ABSTRACT
Face recognition is a biometrics system that is widely used to recognize
individuals, because face is one of the most common biometrics features used to
recognize someone. One example of using face recognition that is used in the data
verification process and access control. In this study, researchers used the
Principal Component Analysis (PCA) method and K-Nearest Neighbor to be able
to identify faces through inputting test data which was then extracted to produce
certain patterns or characteristics that would later be sought and matched in
training data. In this study, there were 5 types of K, namely 1, 3, 5, 7, and 9. As
well as PCA compression of 10% to 100% at intervals of 10%. From some PCA
compression and the selection of k nearest neighbors on K-Nearest Neighbor, the
highest accuracy value is 70.83% with compression of 20% to 100% and k = 1.
The use of 20% eigenvectors has captured 99% of the data. While the average
computing time required for facial recognition with PCA and KNN is 0.123
seconds.
Keywords: Face Recognition, K-Nearest Neighbor, Principal Component
Analysis (PCA).
 2

PENDAHULUAN

Dalam berbagai bidang, pengenalan identitas seseorang sangat penting

untuk bermacam-macam kebutuhan, Identitas seseorang dapat dikenali melalui
beberapa aspek salah satunya yaitu wajah. Wajah merupakan salah satu bagian
manusia yang memiliki ciri berbeda dan dapat digunakan untuk mengenali
seseorang (Ardiansiah, dkk, 2016). Pengenalan wajah adalah suatu pengenalan
pola (pattern recognition) yang dikhususkan untuk wajah (Murinto, 2007).
Pengenalan wajah dapat diterapkan pada pengamanan gedung, alat identifikasi,
ATM, Tele-Conference, alat bantu pelacakan pelaku kriminal dan lainnya (Gunadi
dan Pongsitanan, 2001).
Terdapat beberapa metode dalam pengenalan wajah yaitu eigenface
(eigenfeatures), neural networks, dynamic link architecture, hidden Marcov
model, geometrical feature matching dan template matching (Tolba, dkk, 2008).
Salah satu algoritma yang dapat menyelesaikan proses pengenalan wajah adalah
eigenface. Eigenface adalah salah satu algoritma pengenalan wajah yang
berdasarkan pada Principle Component Analysis (PCA) (Pratiwi, D, dkk, 2013).
PCA merupakan suatu teknik untuk mereduksi data dari variabel asal menjadi
variabel baru atau faktor yang jumlahnya lebih kecil dari variabel asal (Hidayah,
2016). Penggunaan Principle Component Analysis (PCA) dalam pengenalan
wajah memiliki nilai akurasi lebih tinggi dibandingkan metode lainnya seperti
hidden Markov model (Syakhala, Abdu, dkk, 2015). Untuk metode klasifikasi
wajah yang telah dikenali dapat menggunakan K-Nearest Neigbor. K-Nearest
Neighbor merupakan metode klasifikasi yang mengelompokkan data baru
berdasarkan jarak tetangga atau data (Santoso.2007).
Berbagai penelitian telah dilakukan mengenai system pengenalan wajah.
Penelitian oleh Abhisek yang membandingkan beberapa algoritma pengenalan
wajah yaitu Principle Component Analysis (PCA), Linier Discriminant Analysis
(LDA) dan Independent Component Analysis (ICA) menyimpulkan bahwa dari
ketiga algoritma dapat menentukan wajah seseorang dengan baik (Abhishek, dkk,
2019). Kemudian penelitian oleh Elizabeth mengenai pengenalan wajah
berdasarkan kuantitas vector dan fuzzy neuro clustering menghasilkan tingkat
kesalahan yang rendah (Elizabeth, dkk, 2013). Selain itu penelitian oleh Prashant
mengenai pengenalan wajah dengan teknik hybrid menghasilkan pengenalan
wajah dengan akurasi dan kecepatan yang tinggi (Kushwah, 2018). I Gede Pasek
dan teman-teman juga melakukan penelitian mengenai pengenalan ekspresi wajah
dengan DCT dan LDA untuk aplikasi pemutar musik menghasilkan akurasi
pengenalan sebesar 91,51% (Wijaya, dkk, 2017). Penelitian Hleik dan teman-
teman mengenai akses pintu otomatis dengan pengenalan wajah menyimpulkan
bahwa PCA dapat digunakan sebagai pengenalan wajah dalam mengakses pintu
secara otomatis (Lwin, 2015). Dan penelitian oleh Jing Liu tentang pengenalan
 3

wajah berdasarkan GA-BP neural network algorithm menyimpulkan algoritma

tersebut dapat mengenali wajah dengan sangat baik (Liu, 2018).
Dari beberapa penelitian, Principle Component Analysis (PCA) dalam
proses pengenalan wajah belum dikombinasikan dengan K-Nearest Neighbor
untuk menentukan akurasi suatu program pengenalan dan waktu komputasi
terbaik. Diharapkan dengan penelitian ini dapat menjadi solusi pengenalan wajah
yang lebih akurat dan waktu komputasi yang singkat.

TUJUAN

Tujuan dari penelitian ini adalah mengimplementasikan algoritma

Principle Component Analysis (PCA) pada proses pengenalan wajah manusia.

METODE

Metode yang digunakan peneliti dalam melakukan proses pengenalan

wajah ini adalah dengan menggunakan penggabungan dari dua metode yang
sudah ada yaitu metode Principal Component Analysis (PCA) dan K-Nearest
Neighbor (KNN)( Maulana, 2014). Kedua metode ini digunakan untuk dapat
mengidentifikasi wajah melalui inputan data uji yang kemudian diekstrak
sehingga menghasilkan pola atau ciri tertentu yang nantinya akan dicari dan
dicocokan dalam data latih (Zeng, 2011). Berikut adalah gambar alur proses
pengenalan wajah.

Mulai

Uji dataset Latih dataset

Pre-processing

Proses ekstraksi PCA

Proses pengenalan KNN

Hasil identifikasi

Selesai

Gambar 1. Diagram alir proses pengenalan wajah

 4

Tahap proses pengenalan wajah adalah sebagai berikut:

1. Pre-processing
Pre-processing merupakan proses konversi citra dari RGB ke grayscale.
Input citra wajah yang digunakan dalam penelitian ini berupa citra RGB yang
kemudian diubah menjadi greyscale (Fernandes, 2013). Untuk memperoleh
akurasi yang baik, citra kemudian dipotong tepat pada bagian wajah dengan
ukuran 64x64 piksel. Selanjutnya citra yang telah dipotong diubah menjadi bentuk
vektor dengan (1x4096) dimana 4096 menunjukkan hasil perkalian antara banyak
baris dengan banyak kolom pada citra (Sutoyo, 2009). Pembagian data dilakukan
secara acak dengan pemilihan manual dimana data uji dipilih 4 citra setiap
individu dengan total 24 citra dan sisanya adalah 60 citra sebagai data latih .Setiap
citra yang telah diubah menjadi vektor kemudian dikumpulkan menjadi sebuah
matriks berdimensi (60x4096) sebagai matriks data latih dan (24x4096) sebagai
matriks data uji .
2. Proses ekstraksi PCA
Data yang telah dibagi dalam data uji dan data latih kemudian
diimplementasikan menggunakan algoritma Principle Component Analysis (PCA)
dengan bantuan software Matlab R2012b (Dhoke, 2014).
Algoritma PCA:
 Bentuk matriks data X yang berukuran n x d, dimana n adalah jumlah data
dan d adalah besarnya dimensi dari data tersebut.
 Normalisasi data sehingga setiap vektor kolom memiliki rata-rata nol dan
varian satu. The z-score rule .
χᵢ − 𝑥̅
𝜎
 Buat matriks kovarian C dari matriks hasil normalisasi tersebut.
 Cari nilai eigen dan vektor eigen dari C. Vektor eigen inilah yang merupakan
komponen utama dari data, sehingga untuk mengurangi dimensi kita tinggal
memilih vektor eigen yang memiliki varians atau nilai eigen terbesar.
C=E(XX’)
atau dapat dituliskan dalam bentuk
1
C≡ 𝑁−1 𝑋𝑋 𝑇
 Setelah didapat nilai eigen dan vektor eigen, urutkan nilai eigen dan ambil
vektor-vektor eigen yang memiliki nilai eigen terbesar.
 Dapatkan fitur dari citra melalui cara mengalikan vektor eigen yang dipilih
dengan matrik data yang telah dinormalisasi.
 Simpan matriks tranformasi PCA(matriks yang berisi vektor eigen), rata2
kolom data latih, standart deviasi (Kashem, 2011).
3. Proses pengenalan dengan KNN
Pada proses klasifikasi K-Nearest Neighbor (KNN) ini penulis
menggunakan metode euclidian distance. Matrik ciri citra wajah yang diperoleh
dari transformasi dengan menggunakan PCA, dimana latih dataset yang
 5

diekstrakasi akan menghasilkan eigenvector yang digunakan untuk mendapatkan

eigenface (Chen, 2013 ).
Algoritma K-Nearest Neighbors:
 Menentukan parameter k bilangan bulat positif berdasarkan ketersediaan data
pembelajaran. Banyaknya k, sebaiknya merupakan angka ganjil, misalnya k =
1, 2, 3, dan seterusnya. Penentuan nilai k dipertimbangkan berdasarkan
banyaknya data yang ada dan ukuran dimensi yang dibentuk oleh data.
Semakin banyak data yang ada, angka k yang dipilih sebaiknya semakin
rendah. Namun, semakin besar ukuran dimensi data, angka k yang dipilih
sebaiknya semakin tinggi.
 Menghitung jarak antara data yang akan dievaluasi dengan semua pelatihan.
 Mengurutkan jarak yang terbentuk.
 Menentukan jarak terdekat sampai urutan k.
 Memasangkan kelas yang bersesuaian.
 Mencari jumlah kelas dari tetangga yang terdekat dan tetapkan kelas tersebut
sebagai kelas data yang akan dievaluasi (Leidiyana, 2013).

PEMBAHASAN

Data dalam penelitian berasal dari website Facedb VISGRAF face

database pada http://app.visgraf.impa.br/database/faces/. Terdapat 38 individu
terdiri dari 22 laki-laki dan 16 perempuan. Setiap individu memiliki 14 sampel
foto dengan berbagai ekspresi seperti sedih, bahagia dan lainnya dengan total 532
foto. Dari 38 individu tersebut dilakukan pemilihan secara acak dan terpilih 6
individu sehingga foto yang digunakan dalam penelitian ini adalah 84 foto.
Dari 84 foto tersebut dibagi menjadi dua kelompok yaitu data latih dan
data uji secara acak. Setiap individu dipilih 10 foto untuk data latih dan 4 foto
sebagai data uji. Sehingga didapatkan 24 data uji pada Tabel 1.

Tabel 1 Data Uji

 6

Data latih dan data uji dipangkas (crop) dan diubah menjadi grayscale.
Kemudian diubah ukuran menjadi 64 x 64 piksel sebelum dilakukan proses PCA.
Proses pengolahan citra dapat dilihat pada Gambar 2.
datalatih = 'data latihku';
listnama = dir(fullfile(datalatih, '*.bmp'));
for x = 1 : size(listnama,1);
namacitra = fullfile(datalatih, listnama(x).name);
citra = imread(namacitra);
end
Gambar 2 Proses pengolahan citra awal
citra = rgb2gray(citra);
citrahasil = imresize(citra,[64,64]);
Citra awal yang telah diolah kemudian dilakukan proses pengambilan
eigenface dengan Principle Component Analysis (PCA). Data latih diolah dengan
PCA tanpa dikompresi, sedangkan data uji diolah dengan PCA dengan kompresi
10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90% dan 100%. Citra hasil
kompresi diubah menjadi matriks satu dimensi dan diberi label untuk proses
klasifikasi. Proses kompresi dengan PCA dapat dilihat pada Gambar 3.
function [F]=pcaya(im,persen)
[r,c]=size(im);
m=mean(im')';
d=double(im)-repmat(m,1,c);
co=1 / (c-1)*d*d';
[eigvec,eigvl]=eig(co);
eigvalue = diag(eigvl);
[junk, index] = sort(-eigvalue);
eigvalue = eigvalue(index);
eigvec = eigvec(:, index);
EigenvectorPer=persen;
Compressed_Image=eigvec(:,1:(EigenvectorPer/100)*
size(eigvec,2))'*double(d);
ReConstructed_Image=(eigvec(:,1:(EigenvectorPer/100)*
size(eigvec,2)))*Compressed_Image;
ReConstructed_Image=ReConstructed_Image+repmat(m,1,c);
[a,b]=size(ReConstructed_Image);
temp=reshape(ReConstructed_Image,1,a*b);
F=[temp];

Gambar 3 Proses kompresi dengan

citra = rgb2gray(citra); PCA
citrahasil = imresize(citra,[64,64]);
Hasil kompresi citra dengan PCA dapat dilihat pada Tabel 2.

10% 20% 30% 40% 50%

60% 70% 80% 90% 100%

Tabel 2 Hasil Kompresi PCA

 7

Setelah data uji dikompresi dengan PCA, kemudian eigenface dari data uji
di proyeksikan dengan eigenface data latih menggunakan K-Nearest Neighbor.
Prinsip klasifikasi dengan K-Nearest Neighbor adalah mencari K data terdekat
dengan menggunakan jarak Euclide pada persamaan 1.
n

d = √∑(xᵢ − yᵢ)2 … … … … … … … … … . . (1)

i=1

dengan d adalah jarak, n adalah dimensi data, xᵢ adalah data uji,dan yᵢ adalah data
latih. Proses klasifikasi K-Nearest Neighbor dapat dilihat pada Gambar 4.
Class=knnclassify (data_test, data_latih, kelas data_latih, k)

Gambar 4. Proses klasifikasi dengan K-Nearest Neighbor.

Dalam penelitian ini, terdapat 5 jenis K, yaitu 1, 3, 5, 7, dan 9. Data uji

kemudian diuji dengan kombinasi berbagai kompresi PCA dan K. Hasil uji
tersebut dihitung akurasi dengan persamaan 2.
Jumlah Data Uji Benar
Akurasi = x 100% … … … … … … … … … … (2)
Jumlah Semua Data Uji
Sehingga didapatkan nilai akurasi kombinasi berbagai kompresi PCA dan
pemilihan K pada Tabel 3.
K
PCA 1 3 5 7 9
10% 66.67 % 54.16 % 54.16 % 58.33 % 58.33 %
20% 70.83 % 54.16 % 54.16 % 58.33 % 58.33 %
30% 70.83 % 54.16 % 54.16 % 58.33 % 58.33 %
40% 70.83 % 54.16 % 54.16 % 58.33 % 58.33 %
50% 70.83 % 54.16 % 54.16 % 58.33 % 62.5 %
60% 70.83 % 54.16 % 54.16 % 58.33 % 62.5 %
70% 70.83 % 54.16 % 54.16 % 58.33 % 62.5 %
80% 70.83 % 54.16 % 54.16 % 58.33 % 62.5 %
90% 70.83 % 54.16 % 54.16 % 58.33 % 62.5 %
100% 70.83 % 58.33% 58.33% 58.33% 62.5%
Tabel 3 Akurasi Pengujuan Data Uji

Pada proses pengenalan wajah, didapatkan rata-rata waktu komputasi (detik) dari
kombinasi beberapa kompresi PCA dan pemilihan K pada Tabel 4.
 8

K
PCA 1 3 5 7 9
10% 0.1256227 0.11348598 0.1124985 0.11197622 0.11453347
20% 0.1204092 0.11228953 0.11088233 0.112210583 0.111769
30% 0.11880285 0.111241625 0.1116255 0.11088325 0.111237
40% 0.19634104 0.18801435 0.19026296 0.190381 0.20233117
50% 0.206603 0.172718 0.1832236 0.179399 0.1791314
60% 0.1232914 0.11100001 0.11314145 0.1129448 0.11306947
70% 0.0986467 0.096095 0.1013604 0.1009164 0.10813728
80% 0.08406891 0.0887296 0.080438 0.0806225 0.0832384
90% 0.11209124 0.09843319 0.08425385 0.08455109 0,09021652
100% 0.11418235 0.13046064 0.10283044 0.099811104 0.106884288
Tabel 4. Waktu Komputasi Pengujian Data UJi

Berdasarkan perhitungan akurasi pada Tabel 3, nilai akurasi terbesar yaitu

pada kompresi PCA 20% hingga 100% dan pemilihan k=1 dengan nilai akurasi
sebesar 70.83%. Hal ini dikarenakan untuk pengambilan 20% vektor eigen berarti
mengambil vektor eigen ke-1 hingga ke-12, hal ini telah men-capture 99% data.
Rata-rata waktu yang dibutuhkan untuk pengenalan wajah dengan PCA dan K-NN
sebesar 0.123 detik.

KESIMPULAN

Pengenalan wajah dengan Principal Component Analysis (PCA) dan K-

Nearest Neighbor menghasilkan pengenalan yang cukup optimal. Dari beberapa
kompresi PCA dan pemilihan k tetangga terdekat pada K-Nearest Neighbor, nilai
akurasi tertinggi adalah 70.83% dengan kompresi 20% hingga 100% dan k=1.
Penggunaan 20% vektor eigen telah meng-capture 99% data. Sedangkan rata-rata
waktu komputasi yang diperlukan dalam pengenalan wajah dengan PCA dan
KNN adalah 0.123 detik.

UCAPAN TERIMAKASIH

Ucapan terima kasih kepada Universitas Negeri Surabaya dan website Facedb
VISGRAF face database pada http://app.visgraf.impa.br/database/faces/ yang
telah menyediakan data secara online sehingga membantu dalam penulisan karya
ini.
DAFTAR PUSTAKA

Abhishek, dkk. 2019. Survey of Image Based Operative Face Recognation

Algorithm. MAT Journal. Vol. 5. No. 2. 9-13.

Ardiansiah, dkk. 2016. Sistem Pengenalan Wajah dengan Metode Face Features.
E-Journal SPEKTRUM. Vol. 3. No. 2. 21-25.
 9

Chen and K. Xie. 2013.Face Recognition Based on Two-dimensional Principal

Component Analysis and Kernel Principal Component Analysis.
Information Technology Journa. vol. 11.No. 12. 1781-1785.

Dhoke and M. Parsai. 2014. A MATLAB based Face Recognition using PCA
with Back Propagation Neural network. International Journal of Innovative
Research in Computer and Communication Engineering. vol. 2. No. 8.

Elizabeth, dkk. 2013. Face Recognation Based On Vector Quantization Using

Fuzzy Neuro Clustering. International Journal of Computer and
Information Engineering. Vol. 7. No.11. 1525-1534.

Fernandes and J. Bala. 2013. Performance Analysis of PCA-based and LDA-

based Algorithms for Face Recognition. International Journal of Signal
Processing Systems. vol. 1. No. 1. 1-6.

Gunadi dan Pongsitanan. 2001. Pembuatan Perangkat Lunak Pengenalan Wajah

Menggunakan Principle Component Analysis. Surabaya. Universitas
Kristen Surabaya.

Hidayah, Rizqi Elmuna. 2016. Implementasi Metode Principle Component

Analysis pada Pengenalan Wajah Berbasis Eigenface. Jurnal Technologia.
Vol. 7. No. 4. 223-229.

Kashem, M. Akhter, S. Ahmed and M. M. Alam. 2011. Face Recognition System

Based on Principal Component Analysis (PCA) with Back Propagation
Neural Networks (BPNN). International Journal of Scientific &
Engineering Research, vol. 2. No. 6. 1-10.

Kushwah, Prashant. 2018. Face Recognation with Hybrid Techniques.

International Journal of Engineering Technologies and Management
Research. Vol. 5. No. 2.

Leidiyana.2013. Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan

Resiko Kredit Kepemilikan Kendaraan Bermotor.Jurnal Penelitian Ilmu
Komputer, System Embedded & Logic. vol. 1. No. 1. 65-76.

Liu, Jing dan Muhammad Aqeel Ashraf. 2018. Face Recognation Method Based
On GA-BP Neural Network Algorithm. De Guyter. Vol. 16, 1056-1065.

Lwin, Hleik, dkk. 2015. Automatic Door Access System Using Face Recognition.
International Journal of Scientific and Technology Research. Vol. 4. No. 6.

Maulana,B.Kanata, I.G.P. S. Wijaya.2014. Feature Extraction Of Human Face

Algorithm Using Principal Component Analysis (PCA) For Face
Recognition System. Dielektrika.ISSN 2086-9487 .Vol. 1. No. 1 . 16 – 23.
 10

Murinto. 2007. Pengenalan Wajah Manusia dengan Metode Principle Component

Analysis (PCA). Jurnal TELKOMNIKA. Vol. 5. No. 3. 177-184.

Pratiwi, Dian dan Agus Harjoko. 2013. Implementasi Pengenalan Wajah

Menggunakan PCA. IJEIS. Vol. 3. No. 2. 175-184.

Santoso. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis.
Yogyakarta. Graha Ilmu.

Sutoyo, E. Mulyanto, D. V. Suhartono, O. D. Nurhayati and Wijanarto.

2009.Teori Pengolahan Citra Digital.Yogyakarta: Andi.

Syakhala, Abdu, dkk. 2015. Perbandingan Metode Principle Component Analysis

dengan Hidden Marcov Model dalam Pengenalan Identitas Seseorang
Melalui Wajah. Rekursif Jurnal Indormatika. Vol. 3. No. 2.

Tolba, dkk. 2008. Face Recognation: A Literature Riview. International Journal

of Computer and Information Engineering. Vol. 2. No.7. 2556-2571.

Wijaya, I Gede, dkk. 2018. Pengenalan Ekspresi Wajah Menggunakan DCT dan
LDA untuk Aplikasi Pemutar Musik (MOODSIC). Jurnal Teknologi
Informasi dan Ilmu Komputer. Vol. 5, No. 5. 559-566.

Zeng, D. Feng and L. Xion. 2011. An Algorithm of Face Recognition Based on

the Variation of 2DPCA. Journal of Computational Information Systems.
303-310.
 11

LAMPIRAN

Lampiran 1. Biodata Ketua dan Anggota

1. Identitas Ketua
A. Identitas Diri

1 Nama Lengkap Erina Seviyanti Dewi

2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIM 17030214021
5 Tempat dan Tanggal Lahir Jombang, 25 September 1999
6 Alamat E-mail erina.17030214021@mhs.unesa.ac.id
7 Nomor Telepon/HP 081249223347
B. Kegiatan Kemahasiswaan Yang Sedang/Pernah Diikuti

No Jenis Kegiatan Status dalam Kegiatan Waktu dan Tempat

1
2
3
C. Penghargaan Yang Pernah Diterima

No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun

1
2
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan PKM-AI.

Surabaya, 25 Desember 2019

Ketua Tim

(Erina Seviyanti Dewi)

 12

2. Biodata Anggota I
A. Identitas Diri
1 Nama Lengkap Novi Hanifatul Ula
2 Jenis Kelamin Perempuan
3 Program Studi S!-Matematika
4 NIM 17030214041
5 Tempat dan Tanggal Lahir Bojonegoro, 20 Nopember 1998
6 Alamat E-mail novi.17030214041@mhs.unesa.ac.id
7 Nomor HP 085893076662
B. Kegiatan Kemahasiswaan Yang Sedang/Pernah Diikuti
No Kegiatan Status Dalam Kegiatan Waktu dan Tempat
1. MCR & LRP Panitia Matematika UNESA
(Olimpiade SD-SMA) 2017 & 2018
2. Pelatihan Public Peserta UNESA tahun 2017
Speaking
C. Penghargaan yang Pernah Diraih
No Jenis Penghargaan Pihak Pemberi Penghargan Tahun
1. Juara 3 Festival Hadroh Yayasan Pendidikan dan Sosial 2016
se-Bojonegoro Jawahirul Hikmah
2. Juara 4 Lomba Hadroh DPD-BKPRMI Bojonegoro 2016
Tradisional
3. Juara 1 Seni Samrah Dinas Pendidikan Kabupaten 2016
Bojonegoro
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar
dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah
satu persyaratan dalam pengajuan PKM-AI
Surabaya, 25 Desember 2019
Anggota 1

(Novi Hanifatul Ula)

 13

Lampiran 2. Biodata Dosen Pendamping

A. Identitas Diri
1 Nama Lengkap (dengan gelar) Dr. Elly Matul Imah, M. Kom.
2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIP/NIDN 198204052005012002/0005048201
5 Tempat dan Tanggal Lahir Bojonegoro, 5 April 1982
6 Alamat E-mail ellymatul@unesa.ac.id
7 Nomor Telepon/HP 08563113325
B. Riwayat Pendidikan
1 Program S-1 S-2 S-3
2 Nama PT ITS Surabaya UI UI
3 Bidang Imu Matematika Ilmu Komputer Ilmu Komputer
4 Tahun Masuk 2000 2006 2010
5 Tahun Lulus 2004 2009 2014
Judul Skripsi/ Deteksi Jenis Penentuan Outlier Adaptive
Tesis/Disertasi Penyakit Paru Pada Algoritma Multilayer
Berdasarkan Propagasi Balik Generalized
Image Menggunakan Learning Vector
Roentgen Perhitungan Jarak Quantization
dengan Mahalanobis dan (AMGLVQ):
Algoritma LVQ Jarak Fuzzy Algoritma
6 Pembelajaran
Berbasis
Kompetisi yang
Terintegrasi
Antara Seleksi
Data, Ekstraksi
Fitur Dan
Klasifikasi
Nama Prof. Dr. M. Isa Prof. Dr. Eng. Prof. T.
Pembimbing/ Irawan, M.T Benyamin Basaruddin,
Promotor Kusumoputro Ph.D.
7
Dr. Eng. Wisnu
Jatmiko, M.
Kom.
C. Rekam Jejak Tri Dharma PT
Pendidikan/Pengajaran
No Nama Mata Kuliah Wajib/Pilihan SKS
1 Pemrograman Visual Pilihan 3
2 Analisa Numerik Pilihan 3
3 Bahasa Pemrograman Wajib 3
4 Pemodelan Matematika Wajib 3
 14

5 Kecerdasan Buatan Pilihan 3

6 Komputasi Matematika Pilihan 3
Struktur Data dan Analisis Wajib 3
7
Algoritma
8 Matematika Diskrit Wajib 3
9 Teori Grap Wajib 3
10 Aplikasi Komputer Wajib 2
11 Basis Data Pilihan 3
Penelitian
No Judul Penelitian Penyandang Dana Tahun
Deteksi Dini Pervasive DRPM (Riset Terapan,
Developmental Disorder Kompetitif Nasional)
1 Mengunakan Sistem 2019
Terintegrasi Eyetracking dan
Brain Computer Interface
Analisis Proses Kognisi DRPM (Riset Dasar,
Dalam Memahami Konsep Disentralisasi)
2 Matematika Berdasarkan 2019
Pergerakan Mata
Menggunakan Eye-tracker
Analisis Proses Kognisi DRPM
Dalam Memahami Konsep
3 Matematika Berdasarkan 2018
Pergerakan Mata
Menggunakan Eye-Tracker
Representasi, Analisis, Dan BOPTN Unesa
Visualisasi Data Ekologi
4 Pelacakan Hewan 2017
Menggunakan Convolution
Neural Network
Deteksi Penyakit Jantung BOPTN Unesa
Fibrilasi Atrium
5 Menggunakan Fuzzy Neuro 2016
Generalized Relevance
Learning Vector
Development of Smart Penelitian Terapan
Ultrasonography (USG) for Pemerintah Dalam Negeri
6 2012
TelehealthMonitoring (KT)
(anggota)
Pengabdian Kepada Masyarakat
Judul Pengabdian kepada
No Penyandang Dana Tahun
Masyarakat
Workshop pemanfaaatan IT BOPTN Unesa
1 untuk desain Batik di Tulung 2017
Agung
2 Pelatihan Penelitian Tindakan Unesa
2016
Kelas Untuk Meningkatkan
 15

Kinerja Guru SD Khadijah 3

Tandes Surabaya

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan PKM-AI.

Surabaya, 25 Desember 2019

Dosen Pendamping

(Dr. Elly Matul Imah, M. Kom.)

 16

Lampiran 3. Susunan Organisasi Tim Penyusun dan Pembagian Tugas

Alokasi
Waktu
No Nama/NIM Program Bidang UraianTugas
(jam/ming
gu)
Erina Matematika Matematika 6 Jam Mengawasi dan
Seviyanti mengkoordinasi
1 Dewi/17030 semua kegiatan
214021 dan membuat
artikel
Novi Matematika Matematika 5 Jam Mencari data,
Hanifatul Mencari literatur
Ula/170302 mengenai
2
14041 penelitian yang ada
dan membuat
artikel
 Kampus Ketintang
KEMENTERIAN RISET,TEKNOLOGI, DAN
Jalan Ketintang Gedung D1
PENDIDIKAN TINGGI
Surabaya 60231
UNIVERSITAS NEGERI SURABAYA Telepon : +6231-8296427
Email : info@fmipa.unesa.ac.id

Lampiran 4. Surat Pernyataan Ketua Tim

SURAT PERNYATAAN KETUA TIM PELAKSANA

Yang bertandatangan di bawah ini:

Nama : Erina Seviyanti Dewi
NIM : 17030214021
Program Studi : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Dengan ini menyatakan bahwa proposal PKM-AI saya dengan judul Deteksi
Wajah dengan Principle Component Analysis (PCA) dan K-Nearest Neighbor
yang diusulkan untuk tahun anggaran 2020 adalah asli karya kami dan belum
pernah dibiayai oleh lembaga atau sumber dana lain.
Bilamana di kemudian hari ditemukan ketidaksesuaian dengan pernyataan ini,
maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku
dan mengembalikan seluruh biaya yang sudah diterima ke kas negara. Demikian
pernyataan ini dibuat dengan sesungguhnya dan dengan sebenar-benarnya.
Surabaya, 25 Desember 2019
Dosen Pendamping, Yang menyatakan,

(Dr. Elly Matul Imah, M. Kom.) (Erina Seviyanti Dewi)

NIDN. 0005048201 NIM.17030214021

Mengetahui,
Wakil Dekan Bidang Kemahasiswaan & Alumni

(Dr. Sifak Indana, M.Pd.)

NIP.196808181993032002
 19

Lampiran 5. Surat Pernyataan Sumber Tulisan

SURAT PERNYATAAN SUMBER TULISAN PKM-AI

Saya yang menandatangani Surat Pernyataan ini:

- Nama : Erina Seviyanti Dewi
- NIM : 17030214035

1. Menyatakan bahwa PKM-AI yang saya tuliskan bersama anggota tim lainnya
benar bersumber dari kegiatan yang telah dilakukan:
- Tugas dari mata kuliah Komputasi Matematika
- Implementasi PCA dan KNN
- Surabaya tahun 2019
2. Naskah ini belum pernah diterbitkan/dipublikasikan dalam bentuk prosiding
maupun jurnal sebelumnya.
Demikian Surat Pernyataan ini dibuat dengan penuh kesadaran tanpa paksaan
pihak manapun juga untuk dapat digunakan sebagaimana mestinya.

Surabaya, 25 Desember 2019 Mengetahui/Menyetujui

Yang membuat Pernyataan Ketua Jurusan.

Erina Seviyanti Dewi Dr. Raden Sulaiman, M.Si.

NIM. 17030214021 NIP. 196703261994121001